linux shell 启动、停止、重启、清除日志 脚本

Linux日常小技巧shell脚本 阅读详情

采用替换jar包启动方式:如sdzk-backend-2.0.jar 将运行sdzk-backend-2.0_function.jar
方法说明: 
init 创建初始目录(back logs)第一次运行前执行或自行创建对应目录
restart 重启(备份并替换新的jar包)
stop 停止 status 运行状态 
start 重启 
autostart加入linux定时任务防止jar包异常停止
remoteRestart 远程主机启动
remoteAllRestart 远程和本地全部启动 (现在只支持远程一台服务器启动)

获取进程id有两种方式:
按端口获取如8081
netstat -tunlp | grep 8081 | awk '{print $7}'|tr -cd "[0-9]"
按名称获取collector-2.0-fat.jar
/root/jdk1.8.0_172/bin/jps -l| awk '{print $2,$1}'|grep -i '^collector-2.0-fat.jar'|awk '{print $2}'
`ps -ef |grep java|grep collector-2.0-fat.jar|awk '{print $2}'`
脚本使用,按情况替换以下三个变量即可使用
functionEnv 运行profile文件
oprationAdress 运行地址
project jar包名称

#!/bin/sh

if [ "$1" = "" ];
then
	echo -e "请输入操作:  {init|start|autostart|stop|restart|status|remoteRestart|remoteAllRestart}"    
	exit 
fi

functionflag=_function
functionEnv=154

project=sdzk-backend-2.0.jar
originalProject=${project%.jar}${functionflag}.jar

oprationAdress=/root/api/
back=${oprationAdress}back/
logs=${oprationAdress}logs/

remoteIp=47.113.188.227

params2=$2

cd ${oprationAdress}

#pid=$(jps  -l| awk '{print $2,$1}'|grep -i '^'${originalProject}|awk '{print $2}')
pid=`ps -ef |grep java|grep ${originalProject}|awk '{print $2}'`

stop(){
if [ "$pid" =  "" ]; then
    echo "no Start"
else
    echo "shutdown ${project} begin"
    kill -9  $pid
    sleep 10
    echo "shutdown ${project} end"
fi

}

star(){

if [ ! -f $originalProject ];then
       echo "not exists jar not start"
fi

if [ ! -z "$params2"  ];then
        functionEnv=$params2
fi

echo "function env: "${functionEnv}

echo $pid
nohup java -jar -Xms256m -Xmx2048m   $originalProject --spring.profiles.active=${functionEnv} >/dev/null 2>&1 &
echo $!
}

status(){
if [ "$pid" =  "" ]; then
	echo "no start"
else
	echo $pid
fi

}

autostart(){
if [ "$pid" =  "" ]; then
star
fi
}


start(){
stop
star

}

restart(){

if [ ! -f $project ];then
        echo " no exist jar"
        exit
else
        echo "exist jar restart"
fi

backups

stop
mv $project $originalProject
echo "replace jar"

if [ $? -ne 0 ]; then
    echo "failed"
else
  star

fi

}

backups(){
if [ -f $originalProject ];then
       cp $originalProject $back${originalProject%''${functionflag}*}_$(date +%Y%m%d_%H:%M:%S)_back.jar
       echo "jar backup"
fi
}


remoteRestart(){
scp -rp ${oprationAdress}${project} $remoteIp:${oprationAdress}
ssh $remoteIp "$0 restart"
}


remoteAllRestart(){
remoteRestart
restart
}

init(){

if [ -d $back ];then
  	echo "exist ${back}"
else
  	mkdir $back
 	 echo "create ${back}"
fi

if [ -d $logs ];then
        echo "exist ${logs}"
else
        mkdir $logs
         echo "create ${logs}"
fi


}

case "$1" in
  "start")
    start
    ;;
  "stop")
    stop
    ;;
  "status")
    status
    ;;
  "restart")
    restart
    ;;
  "remoteRestart")
    remoteRestart
    ;;
  "remoteAllRestart")
    remoteAllRestart
    ;; 
 "autostart")
    autostart
    ;;
  "init")
    init
    ;;
  *)
    usage
    ;;
esac

清除需要加入到定时器 清除jar包备份和日志文件两种方式

#!/bin/bash


SERVERS=(/root/api/back/ /data/backend-api-2.0/)

for i in ${SERVERS[@]}
do
	echo "--"$i
	find $i -mtime +30  -exec rm -rf {} \;
done
#!/bin/sh
cd /root/collector/collector_back
currentTime=$(date +%Y%m%d)
for shname in `ls collector-2.0-fat_*_back.jar`
do 
     name=${shname:18:8}
     beforeTime=$(date -d"10 day $name" +%Y%m%d)
     let value=$beforeTime-$currentTime
     
     if [ $value -lt  0 ];then
	echo "delete file :"$shname
	rm -f $shname
     else
        echo $shname
     fi
done

cd /root/collector/logs
for logname in `ls lsp_app.log.*`
do
    logTime=${logname:12:8}
    logBTime=$(date -d"2 day $logTime" +%Y%m%d)
    let logValue=$logBTime-$currentTime
   if [ $logValue -lt  0 ];then
	echo "delete log :"$logname
	rm -f $logname
   else
	echo $logname
   fi
done

cd /root/collector
echo "" > /root/collector/nohup.out

 

windows 清除日志脚本

set srcDir="D:\ideaWorkspace\bjsdzk-collector\logs"
set daysAgo=1
forfiles /p %srcDir% /s /m lsp_*.log  /d -%daysAgo% /c "cmd /c del @path"

 

如何编写 Skill 实现自动化用例生成 Skill 本质上是一组结构化的指令和工具定义,它告诉 AI 模型在特定场景下应该遵循什么流程、调用哪些工具、输出什么格式的内容。元信息:名称、描述、版本等。指令(Instructions):定义 AI 的行为准则和任务流程。工具(Tools):AI 可以调用的外部能力,如文件读写、代码执行、API 请求等。上下文(Context):预设的输入输出格式或示例。编写一个用于自动生成测试用例的 Skill,核心在于定义清晰的指令流程和输出规范。 阅读详情

相关推荐

D触发器版图设计的艺术:最小化面积与最大化性能的平衡之道

本文探讨了D触发器版图设计中如何平衡最小化面积与最大化性能的核心挑战。通过分析晶体管布局、互联优化、时钟分布等关键策略,结合先进制程下的功耗与信号完整性考量,为数字IC工程师提供了从基础优化到制造验证的实用解决方案,助力实现高性能、低面积的芯片设计。

aa123的博客 909

用shell写一个简单的程序 启动 停止 脚本(以redis为例)

【代码】用shell写一个简单的程序 启动 停止 脚本(以redis为例)

ggg6568的博客 789

微信DAT图片解密全攻略:一键转换JPG/PNG/GIF

本文详细解析了微信电脑版中DAT图片的加密原理与存储路径,并提供了从定位文件到使用专业工具进行一键解密的完整操作指南。通过简单的步骤,用户可将加密的DAT文件无损还原为JPG、PNG或GIF格式,有效解决无法直接查看聊天图片的难题,同时兼顾了隐私清理与磁盘空间管理。

hill8的博客 1363

使用shell 命令 start 打开文件夹窗口

git bash或windows powershell中输入 start . 自动打开当前路径的文件夹:

Peace 4583

解密美团外卖API:mtgsig和waimai_sign参数生成原理与Python实现

本文深入解析了美团外卖API中核心风控参数mtgsig和waimai_sign的生成原理与实现方法。文章详细拆解了waimai_sign作为业务数据签名、mtgsig作为请求环境签名的不同角色与生成逻辑,并通过Python代码示例演示了如何通过逆向工程、Frida动态Hook等技术手段模拟签名生成过程,为开发者理解移动端API安全机制提供了实战参考。

weixin_29325515的博客 550

基于STM32L4XX的环境光传感器(AS7343-DLGMN)应用程序设计

define AS7343_STATUS_SPECTRAL_INT (1 << 3) /* 光谱数据就绪 */#define AS7343_SYS_CFG_SPECTRAL_EN (1 << 1) /* 光谱测量使能 */#define AS7343_SYS_CFG_ALS_EN (1 << 0) /* ALS使能 */#define AS7343_SYS_CFG_INT_EN (1 << 4) /* 中断使能 *//* 切换通道组 (0=组1 F1-F6, 1=组2 F7-F12) */

myron6688的博客 257

shell脚本启动服务

bat文件启动,需要jar包和bat文件在同一个目录下,不然启动报找不到jarfile。

zouyang920的博客 1536

BACnet协议栈基本对象BI、BO、AI、AO、AV以及device和File对象介绍

BACnet协议栈基本对象BI、BO、AI、AO、AV以及device和File对象介绍

shufawangzhang的博客 3986

linux下启动/停止shell的脚本

linux下nohup启动和关闭程序的脚本,有需要的拿走吧。 以下脚本未来启动 jar程序,其他程序修改下执行语句即可。 脚本和可执行程序在一个目录下(比如和jar包放在一个目录),如果不在一个目录请自行修改。 启动 BASE_DIR=`pwd` JAR_NAME=test.jar FULE_NAME=$BASE_DIR/$JAR_NAME pid=`ps ax | grep -i ${FULE_NAME} | grep java | grep -v grep | awk '{print $1}'` if

chengqwertyuiop的博客 602

【LE Audio】CAP精讲[1]: 从理论到实操,CAP 协同流程入门全攻略

LEAudio生态中的CommonAudioProfile(CAP)是一个关键协同框架,它通过整合基础音频协议(BAP/VCP/MICP等)构建多设备协同能力。CAP定义了三大核心功能:音频流管理、设备组控制和统一交互服务,解决了传统蓝牙音频在多设备场景下的协同痛点。其规范历经v1.0到v1.0.1的优化,修正了角色定义、连接流程等关键模块,提升设备兼容性。CAP采用严格的语言约定(shall/must/should)和术语体系(ContextType/CCID/协同集),确保不同厂商设备能相互理解。

byte轻骑兵的技术小窝 2万+

【雷达】一维和二维自适应波束形成(DBF))DBF附matlab代码

1 简介 数字波束形成技术是天线波束形成原理与数字信号处理技术相结合的产物,其广泛应用于阵列信号处理领域.由于电磁工作环境的恶化和大量射频干扰的存在,在极低的信干噪比(SINR)条件下进行目标检测和信息提取十分困难.对于阵列系统,往往采用自适应数字波束形成(ADBF)技术,来抑制强干扰和方向性干扰对有用信号的影响.介绍了数字波束形成器的基本原理及其DSP的实现结构.​ 2 完整代码 clc;clear all;close all;%%%%%%%%%%%%%%%%%一维DBF%%%%%%%%%%%%%

qq_59747472的博客 7265

Linux shell脚本启动 停止 重启服务(jar)

在研究linux部署项目的问题,记下来防止忘记,也供需要的人使用 注意:window编辑的shell文件,通过ftp上传的Linux服务器,需要改变文件的格式(查看文件格式,vim编辑后输入 :set ff) 可以在linux里新建shell文件 避免这个问题 #!/bin/bash export JAVA_HOME=/root/tools/jdk1.8.0_181 expor...

mutouren891114的博客 1464

SAP BOM (物料清单) 详解

BOM(Bill of Materials,物料清单)是制造业和生产管理中的一个核心概念。它列出了生产某种产品所需的所有原材料、零部件和子组件的详细信息。在SAP系统中,BOM管理是为了帮助企业在生产过程中更高效地管理物料需求、库存以及生产成本。BOM不仅包括物料的数量和单位,还详细描述了每个物料的规格、标准和在产品中的位置。

我小时候很黑的博客 4244

Linux 定时删除文件或文件夹的shell脚本

一、删除XX天(默认10天)之前某个目录下面带.log的日志文件,并且输出文件显示删除的文件 #!/bin/sh #如果没有输入变量值,默认天数为10 start=$(date +%y-%m-%d-%H%M%m) File=/temp/delete_$start.txt FilePath=/data echo $File if [ ! -n "$1" ]; then day=10 el...

luozhuwang的专栏 4万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

linux中增加启动脚本

第一步 在root目录下新建一个目录:mkdir 目录名称 删除目录命令:rm -rf 目录名称 进入目录新建一个.sh文件,touch test.sh 进入i编译 #!/bin/sha=0 count=0 #脚本的位置 SHELL_PATH=/root/deploy #tomcat的位置 TOMCAT_PATH=/usr/local/tomcat #项目部署的...

weixin_30757793的博客 91

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

一键重启tomcat并自动清除work目录

一键重启tomcat并自动清除work目录创作背景脚本源码使用教程说明 创作背景 公司使用tomcat为中间件,每次替换重启要执行太多命令了,烦躁,就自己查询资料写了一个一键重启tomcat并自动清除work目录,有懂得大佬帮忙给提点改进意见。 脚本源码 #!/bin/sh #================================== #author by lizhongnian #20...

七彩blog 1124

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Linux Shell多个Tomcat自启动脚本

多Tomcat自启动脚本带颜色警告⚠️ 最近在部署一套老系统的环境,传统war包部署方式,写了一个多个tomcat启动脚本方便以后用到,这个会删除logs下所有文件,使用自行注意。这边是为了每次清理测试环境磁盘空间 脚本文件 #!/bin/bash #-------------------------------------------- # author:qierkang # site:https://www.qekang.com # date:2021年05月25日03:16:22 #-----

薯条的博客 729

springboot在Linux自动重启打包部署脚本-20210103-0000001

记录一次Linux自动重启打包maven项目的shell脚本 项目是springboot的项目 需要Linux环境安装配置好maven #!/bin/sh cd /home/code/springboot_demo #进入maven项目的根路径 rm -rf target #删除旧的包 mvn package #maven打包 cd target #成功后,复制jar包到运行目录 mv sprin...

qq_37705029的博客 466

实用的linux文件系统监控审计脚本工具

本教程分享一个实用的linux文件系统监控审计脚本工具,可以辅助定位文件异常操作问题

wenyiking的博客 1831

Linux 环境下编写 JAVA进程 启动脚本,实用 简单 效率

#!/bin/bash RED='\E[1;31m' # 红 GREEN='\E[1;32m' # 绿 YELOW='\E[1;33m' # 黄 BLUE='\E[1;34m' # 蓝 PINK='\E[1;35m' # 粉红 RES='\E[0m' # 清除颜色 #执行class文件路径 START_PATH=/home/sa/adob #默认提示语(start|stop|restart|test|show test表示当前窗口运行,用于线程启动异常

公众号Technology_stack作者,IT咨询请公众号私信 299

由shell改进成Tomcat服务脚本_Linux运维笔记

上篇文章使用shell脚本,能完成tomcat的重启,清除缓存文件等功能,现在将这个脚本真正改成了tomcat服务,功能和平时使用的服务没啥区别,只是增加了del删除缓存功能,更加人性化,脚本内容如下: #!/bin/bash #目的:尝试使tomcat7关闭,并清除之前的缓存 # chkconfig: 345 99 01 # description: tomcat7 start stop re

u010369194的专栏 1929

Shell_tomcat重启和缓存清除_Linux运维笔记

开始做运维的时候经常会遇到重启tomcat、重新部署项目包等情况,为减少其他因素带来影响,就需要每次启动都要清除一下tomcat运行的缓存文件,这样问题就出来了,这个重复劳动没技术含量,也怕删错文件,就想这个tomcat为什么不能添加到服务呢?那样就能使用service *** start/stop命令,时间久了,自己就开始研究shell了,上周开始学习shell也有半个月了,有点成果share一

u010369194的专栏 4755

jenkins重启linux环境下 tomcat

BUILD_ID=pleaseDontKillMeecho '停止tomcat'for pid in $(ps -ef|grep /usr/local/tomcat_release|grep -v grep|cut -c 10-15); do echo $pid; kill -9 $pid; echo '停止tomcat成功'; done;echo '启动tomcat'

qfhyadx的博客 3590

Linux下重启tomcat

最近在学习shell编程,以完成一些基础操作,任务驱动学习,这样适用,故边学边试着用一下,来写一个tomcat重启shell脚本,其实其他的没有restart都差不多吧。 一、在自己的用户的一个目录下新建两个.sh文件 tomcat_shutdown.sh: #!/bin/sh `/home/wz/dev/server/tomcat/apache-tomcat-6.0.41/b

那些年我们走的弯路 6202

linux 启动服务,关闭服务脚本

start.sh#!/bin/sh sleep 2 kill -s 9 `ps -ef | grep /home/crmhdcc/web/huacrm/apache-tomcat-7.0.64/ | grep -v grep | awk '{print $2}'` rm -rf /home/crmhdcc/web/huacrm/apache-tomcat-7.0.64/work/Catalina r

Mrzhang__的专栏 3353

linux定时清理三个月前的应用日志

find顾名思义就是查找,find命令主要沿着目录结构依次向下遍历,匹配符合条件的文件,可以附带执行相应的操作选项,默认的操作结果是打印出符合条件的文件与目录。如果使用该命令时,不设置任何参数,则 find 命令将在当前目录下查找子目录与文件。要想删除三个月前的日志,先得找到三个月前的日志才行,可以通过 find命令查找。(3)service crond restart–重启(先关闭后启动)按文件更改时间查找文件,-n指n天以内,+n指n天以前,n是整数。定时任务开始执行了!所在路径:/bin/find。

liqinglonguo的博客 1567
上一篇: shell 导入、导入 mongoDB脚本
下一篇: Spring Boot2 源码 run > refreshContext > registerBeanPostProcessors方法 (七)
三笠爷
博客等级 码龄9年 18粉丝 58原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值